基于Kernel Discriminant Canonical Correlation(KDCC)的多观测样本分类算法

• 作者: 牛晓霞 王玲丽 胡正平
• 来源期刊: 数学的实践与认识
• 学科: 工学
• 关键词: KDCC 典型相关性 最近邻分类 多观测样本
• 年，卷（期）: 2012,（9）
• 所属期刊栏目: 信息科学
• 页码范围: 96-107
• 分类号: TP301.6
• 字数: 6371字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-0984.2012.09.015

摘要

针对多观测样本分类问题,提出一种基于Kernel Discriminant Canonical Correlation(KDCC)来实现多观测样本分类的模型.该算法首先把原空间样本非线性的投影到高维特征空间,通过KPCA得到核子空间,然后在高维特征空间定义一个使类内核子空间的相关性最大,同时使类间核子空间的相关性最小的KDCC矩阵,通过迭代法训练出最优的KDCC矩阵,把每个核子空间投影到KDCC矩阵上得到转换核子空间,采用典型相关性作为转换核子空间之间的相似性度量,并采用最近邻准则作为多观测样本的分类决策,从而实现多观测样本的分类.在三个数据库上进行了一系列实验,实验结果表明提出的方法对于多观测样本分类具有可行性和有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	胡正平	燕山大学信息科学与工程学院	160	1215	17.0	28.0
2	王玲丽	燕山大学信息科学与工程学院	3	7	2.0	2.0
3	牛晓霞	燕山大学信息科学与工程学院	10	45	4.0	6.0